一、变压器常见故障及原因分析（论文文献综述）
王紫宏,张云[1]（2021）在《火电厂变压器常见故障及处理措施》文中研究表明随着化工企业生产节奏的加快,对为其提供电力供应的火电厂也提出了更高的要求。变压器作为火电厂进行生产活动的重要设备之一,如何保护变压器的可靠性是当前电力工作者亟待解决的重要课题。文章以火电厂变压器常见的故障为切入点,深入分析故障产生的原因,进而提出针对性的处理措施,以保证变压器能正常运行。希望文章的研究能为电力工作者带来一些有益的建议。
洪剑[2]（2021）在《电机与变压器常见的故障诊断与处理方法》文中指出电机与变压器对设备稳定运转具有重要意义,在实际运行过程中,一旦发生故障会对整个电力系统供电产生影响。然而,电机与变压器发生故障的原因非常丰富,其内部故障是主要因素,相关人员需要对电机与变压器进行监督检查,发现问题后及时处理,保证电路稳定运行。对此,本文对电机与变压器构造及稳定运行的意义及电机与变压器常见故障类型进行了阐述,探究了电机与变压器故障诊断及处理方法,以期为电机与变压器故障诊断及处理奠定基础。
张智恒[3]（2021）在《基于智能算法优化的概率神经网络变压器故障诊断研究》文中进行了进一步梳理变压器作为电网中各电压等级联结的枢纽型节点设备,其稳定健康的运行对于电力系统的发展起着至关重要的作用。随着国家综合性能源电网建设的落实,电力变压器因时代发展的需求向着更高的电压等级与容量更替,倘若变压器出现故障将会直接影响电网及用户造成不利影响。因此,研究变压器的自动检测与故障诊断技术,提升运行维护的水平,对于整个电网而言有实用价值和现实意义。变压器的结构及工作原理较为复杂,利用油中溶解气体分析是进行故障诊断和潜伏性故障监测的可靠方法,首先通过分析油中溶解气体故障诊断的机理及特点,为弱化极端数据对诊断结果的判断,利用改良IEC法与概率神经网络的特点并将二者结合,建立结构为3-40-9-9型的概率神经网络故障诊断网络模型。优化分为两个方面,从模型端考虑,提出遗传算法优化系统概率密度函数中参数值,提炼出反应整个样本空间的平滑参数,使模型诊断的准确度提升,优化前后的训练结果表明,诊断正确率由80%提升至92.5%。从数据端的角度考虑,为消除故障特征与故障类型的模糊性,对油中溶解气体比值进行扩充,增加故障判据,运用粗糙集理论约简特性保留与故障类型关系紧密的核心属性作为新的输入特征量,建立结构为8-40-5-5型的概率神经网络故障诊断模型,去除冗余、关联度不大的属性信息,保证精度的同时缩短故障判断的学习时间,对同一组故障数据进行训练和测试仿真,训练结果显示故障诊断的正确率提升至97.5%,提升了诊断的正确率,具有可行性及良好的应用前景。
郭兆龙[4]（2021）在《基于油色谱数据的变压器故障状态预测方法研究》文中研究表明目前,智能电网的发展和普及,使电力系统的相关参数数据正在统一的平台上集成共享。大量数据的产生,使传统的理论分析模型很难处理这种高维度,数据量大的数据信息,因此,基于数据驱动的建模方法,为电力变压器故障预测提供了一种新途径。针对变压器油色谱数据存在数据量级不一致的问题,在变压器状态评估和预测前,需要对数据进行规范化处理。本文结合IEC三比值法对效益型指标的规范化公式进行改进,上述方法可以很好的对变压器数据进行归一化处理,为后续变压器状态评估和预测提供了数据支持。针对传统三比值法无法系统并且直观的评判当前变压器的潜在故障程度的缺点,本文对三比值法进行改良,利用发生过故障的变压器三比值数据和正常运行状态的变压器故障数据,利用熵权TOPSIS和灰色关联度计算当前变压器三比值数据与两种状态的距离,由此得到故障距离的占比。上述方法可以较为精准的评估变压器所处故障的深入程度,并可以根据变压器故障贴近度将变压器故障程度四个由浅到深的程度,以便于维护人员做出相应的处理。针对变压器状态预测问题,提出了一种数据驱动的变压器符号回归预测方案。本文预测方法基于GEP算法,以历史变压器故障贴近程度的时间戳作为输入参量训练预测模型,系统的预测了变压器故障的深入程度,可以较为精准的预测出变压器的故障时间,减少传统变压器故障预测中的主观性和经验性,为合理安排变压器检修、保障变压器安全运行提供了科学依据。针对GEP种群多样性低的问题,本文引入群体爬山算法,并保证种群个体之间的相异性,确保每个个体之间的基因表达式均不相同,以此来提高种群的多样性,提高算法效率。综上所述,本文立足于变压器油色谱数据,从系统的角度出发,对变压器潜在故障状态进行研究和诊断,依据评估出的潜在故障程度评判变压器的故障深入程度,并以此作为预测算法的输入,对变压器未来的故障状态进行预测评估。为提高预测算法的预测精度和建模效率,本文对原有的GEP进行改良,提高种群多样性,来增强算法的搜索能力。通过实验可知,本文算法可以较好的诊断变压器当前所处的潜在故障程度,并可以精准的预测到变压器故障的发生。
凤冰霞[5]（2021）在《K-means算法的一种新解法及应用》文中指出随着新型产业的迅速发展,无时无刻不都在产生与积累大量数字信息,聚类分析作为数据挖掘的重要工具,目的就是从无标签数据集中获取数据内部潜在规律,这使得其成为互联网时代从海量数据中获取对人类发展有价值的信息的重要技术。k-means算法是聚类分析领域的热门算法之一,有着简单快捷、实用性高和伸缩性强等优点,在文件处理、传染病、市场监管等多领域广泛应用。由于k-means算法选取聚类数目k值跟初始值的随机性,导致聚类结果不稳定。为此,不同于k-means传统解法Lloyd算法,论文提出一种基于谱聚类形式的k-means新解法,解决了随机选取初始值导致高维大数据集聚类效果不佳问题。此外,将所提方法应用在油浸式变压器故障预报上。论文的主要工作叙述如下:（1）简单介绍了相关背景知识,详细地介绍k-means算法传统解法Lloyd算法具体步骤;简要介绍基于图论的谱聚类算法、三种常见的聚类评价指标、谱旋转及谱松弛等,为下文提出k-means新解法奠定了理论基础。（2）Lloyd算法由于初始值的随机性导致聚类结果较差,针对高维大数据集尤为明显。为此,论文提出了一种基于谱聚类（Spectral Clustering）形式的k-means算法的新解法。不同于Lloyd算法随机选取初始聚类中心,SCK-means算法从解k-means算法目标函数的角度出发,通过求导、非奇异分解、坐标下降法等方法对目标函数值变换成谱聚类形式,然后迭代更新直至得到最优解,将其得到的指示矩阵带回数据集确定最终聚类结果。最后在数据集上进行实验,显示了新解法SCK-means算法的快速性和有效性。（3）结合故障应用领域的特点,论文提出了基于SCK-means的油浸式变压器故障预报方法。首先建立并优化背景值序列的GM（1,1）模型,预测油浸式变压器故障状态时五种特征气体（H 2、CH 4、C2 H 2、C2 H 4、C2 H 6）含量;其次,根据特征气体对变压器故障权重不一的特点,采用互信息方法确定特征气体权重;然后,根据六种常见的油浸式变压器故障,设置SCK-means中聚类数k值为6,利用所提方法SCK-means得到聚类结果,最终确定变压器故障类型;最后,仿真结果表明所提方法的有效性。论文提出了有别于传统Lloyd算法的一种k-means新解法,收敛性快,精度高。研究成果对扩展k-means算法的解法具有一定的研究意义。
林景垞[6]（2021）在《变压器故障检测与诊断技术研究现状》文中研究说明变压器是国家电网,电力系统中最重要的核心设备之一,维护、检修变压器使之稳定正常工作,是电力网络长期稳定高效运行的关键。文章通过对当前我国电力体系常用变压器最为高发的故障类型进行分析,提出了检测与诊断电力系统变压器故障的方法。旨在为电力系统变压器故障检测与诊断提供参考。
汤超[7]（2021）在《基于免疫粒子群优化学习向量量化的变压器故障诊断研究》文中提出在供电系统中,变压器是主要电气设备之一。它一旦发生故障,将给企业与用户带来严重后果。在变压器出现故障时,技术人员如何快速有效的对变压器故障做出合理的应对,在电力系统中是十分重要的。变压器故障产生的原因与其他的电气设备故障产生的原因相比,变压器出现故障的原因更加复杂多变,单一的故障测试方法已经很难运用在变压器故障测试中。故本文将提出一种多种智能算法结合的方法,即通过学习向量量化神经网络算法和免疫粒子群算法相结合的方法对变压器故障进行诊断。在本文中,研究人员首先对变压器进行介绍,分析其故障诊断的必要性与重要性。同时在变压器出现故障时,详细阐述产生的特征气体与变压器的故障类型。接着是利用变压器故障检测的化学办法—油中溶解气体分析法,即从变压器油中溶解的气体来实现对变压器故障检测的目的。引出对溶解气体常用的处理方法—三比值法。接着从原理、编码等方面,对三比值法进行详细的阐述,同时还介绍了该方法的不足。引出本文对变压器故障检测的方法,即学习向量量化神经网络和免疫粒子群有机结合,从而形成一种新的智能方法。最后详细阐述学习向量量化神经网络算法和免疫粒子群算法。学习向量量化神经网络算法的参数选择、特征向量的选择使得其故障诊断的正确率提高;免疫粒子群算法对学习向量量化神经网络算法的优化,增加了学习向量量化神经网络算法的稳定性。利用学习向量量化神经网络算法和免疫粒子群算法相结合的方法对变压器故障进行诊断,得到诊断结果的准确率高达93%。本文是利用MATLAB软件进行故障分析的,在软件中建立免疫粒子群算法与学习向量量化神经网络算法相结合诊断模型,为了证明该算法的优越性,同时也为了验证实验的正确性和可靠性,在同样的条件下,建立学习向量量化神经网络分类模型和免疫粒子群算法优化神经网络分类模型,并与之进行比较分析。从故障识别的正确率、模型运行的时间、故障诊断的稳定性等方面进行比较分析。利用学习向量量化神经网络算法和免疫粒子群算法相结合的方法对溶解气体进行处理,得出了该方法对变压器故障分类具有较好的成效。图32表13参80
柴睿[8]（2021）在《直流配电网优化重构及故障自愈算法研究》文中研究表明直流配电网效率高、电能质量好,可更方便、经济地接入新能源分布式发电,成为未来解决城市配电系统供电能力不足、提升电能质量的新方案,但由于直流配电网中可变负荷功率波动大,当换流器功率传输裕度较小时,换流器传输功率易达限值,失去对潮流变化的响应能力,且需对直流配电网运行时及故障发生后的网络进行优化,以期实现对电能的高效利用。论文通过将换流器自适应下垂系数、网络损耗、节点电压偏移作为寻优目标,对直流配电网静态网架结构与切除故障线路后的系统进行重构优化,主要的研究内容如下:（1）分析了目前比较常见的几种直流配电网拓扑结构和接线方式的优缺点,明确在直流配电网中适用的拓扑及接线方式,并对直流系统中常见的设备如电压源控制型换流器、DC-DC直流变压器常见类型及常用拓扑作了阐述,进一步对照得出采用不同类型拓扑对于直流配电网运行的影响。（2）研究了直流配电网的潮流计算模型,包括采用下垂控制时的VSC换流器潮流模型、DC-DC直流变压器模型以及直流配电网中的节点类型,进而采用修改后的牛顿拉夫逊算法,结合换流器的准确损耗模型对直流配电网进行潮流计算,求得节点电压,网络损耗等指标作为后文优化的基础。（3）通过研究得出表征换流器功率传输裕度的自适应下垂系数,结合直流系统各节点电压、网络损耗,利用隶属函数模糊化的方法,借助欧氏距离将三者整合,在满足约束的条件下利用二进制粒子群算法求解直流配电网静态条件下的最优网架拓扑,通过修改的IEEE33节点直流系统验证了所提方法能够求得上述三个指标综合最优时的网络拓扑。（4）基于第四章所提优化算法,在分析了直流配电网常见故障类型及其故障特征基础上,结合相应的直流配电网保护原理要求,对故障发生后的直流系统进行处理,并对切除故障后的直流配电系统按照分级式的响应进行恢复重构,最终实现在恢复尽量多负荷且开关次数尽量少的目标下优化运行,通过对修改后的IEEE33节点直流系统不同情况下的故障恢复重构验证了所提自愈恢复策略的有效性。
李长春[9]（2021）在《基于LightGBM的25Hz相敏轨道电路故障诊断方法的研究》文中研究指明25Hz相敏轨道电路作为我国铁路信号控制领域的重要基础设备,在站内列车的占用检查等方面发挥着重要作用,目前主要是利用信号集中监测系统（Centralized Signal Monitoring System,CSM）对其轨道继电器的轨道电压信号与相位角信号进行集中监测来实现相应的故障诊断。由于站内轨道电路的使用环境相对复杂,导致仅凭CSM现有的两点监测,无法识别25Hz相敏轨道电路某些特定的故障模式。因此,优化CSM现有的监测方案,研究高性能故障诊断方法就成为当前一项十分重要和迫切的任务。本文针对以上问题,开展了以下研究工作:1.制定监测方案,并基于传输线理论对25Hz相敏轨道电路各监测点信号进行建模。首先,基于25Hz相敏轨道电路的工作原理,利用传输线理论,建立了25Hz相敏轨道电路各组成设备的传输特性等效模型。然后,基于CSM对25Hz相敏轨道电路的监测情况,提出采用电流监测方式,将轨道电路室内所有可行的电流监测点加入原CSM监测方案中,构建本文的监测方案。最后,基于设计的监测方案,建立并验证了各监测点的信息传输模型。2.提出了基于GA-LightGBM的25Hz相敏轨道电路故障诊断模型。基于LightGBM算法原理构建了以上述监测方案中各监测点为输入特征的故障诊断模型。结合遗传算法（Genetic Algorithm,GA）对故障诊断模型的参数组合进行了寻优,构建了基于GA-LightGBM的故障诊断模型,为后续故障诊断方法的设计提供了支持。3.进行了25Hz相敏轨道电路故障诊断方法的设计与验证。首先,使用故障注入技术对各常见故障模式下的监测信号进行了仿真,构建了常见故障数据集,并进行了数据集的划分。然后,以监测方案的32种监测子集方案为输入特征集合,生成相应基于GA-LightGBM的常见故障诊断模型,并基于模型的性能,对监测方案进行了优化。最后,设计了包含诊断阈值与模型再训练过程的故障诊断策略,并对故障诊断方法进行了功能与性能的验证。4.设计并实现了25Hz相敏轨道电路故障诊断软件。基于提出的25Hz相敏轨道电路故障诊断方法与现场的需求,设计了包含在线诊断、离线诊断和模型训练功能的25Hz相敏轨道电路故障诊断软件。实验表明,本文优化了CSM对25Hz相敏轨道电路的监测方案,所提出的基于GA-LightGBM的25Hz相敏轨道电路故障诊断方法能够使CSM的故障诊断性能获得进一步的提升,可以满足铁路现场的应用需求。图41幅,表5个,参考文献58篇。
单杰[10]（2021）在《基于机器学习的变压器色谱峰识别和故障诊断研究》文中进行了进一步梳理变压器是保证电力系统安全稳定运行的关键设备之一,油中溶解气体分析（Dissolved Gas Analysis,DGA）是诊断变压器故障的重要手段。而油色谱在线监测技术是目前监测变压器油中溶解气体最有效的方法之一。变压器油色谱在线监测技术的特点:没有人工操作,系统自动完成油样采集、油气分离、多组分气体逐一分离、色谱峰识别及故障诊断等功能。在变压器油色谱在线监测技术中,准确的色谱峰识别是变压器故障诊断的前提。为提高变压器油色谱在线监测装置的可靠性,本文分别针对在线监测装置在长时间运行后存在色谱峰位置偏移情况,提出了基于C4.5决策树的变压器色谱峰识别算法;针对传统BP神经网络变压器故障诊断模型准确率不高的问题,提出了基于自适应多子群樽海鞘群算法（Adaptive multi-group slap swarm algorithm,AMSSA）的BP神经网络变压器故障诊断模型。本文的主要工作如下:（1）回顾了变压器油色谱在线监测技术的背景,分析了该技术中变压器色谱峰识别和故障诊断两方面的内容,总结了目前主流方法的优缺点以及今后发展的趋势。（2）简述了变压器油色谱在线监测技术和机器学习的一些基本理论。在变压器油色谱在线监测技术中,重点突出了变压器色谱峰的识别难点以及油中溶解气体产生的原因。在机器学习方法中,重点讨论了C4.5决策树算法以及BP神经网络模型的基本原理。（3）针对变压器色谱峰移动导致对气体色谱峰的误判和漏判现象,提出了一种基于C4.5决策树算法的变压器色谱峰识别方法。C4.5决策树对于根节点选取时,采用二分法对连续属性进行离散化处理,本文提出的方法根据此过程得到色谱峰特征属性的自适应阈值,从而达到色谱峰正确识别的效果。利用色谱峰测试样本集对该算法进行测试,准确率达到95.23%。（4）针对传统BP神经网络变压器故障诊断模型准确率不高的问题,提出了一种基于AMSSA-BP神经网络的变压器故障诊断模型。该模型采用AMSSA算法优化BP神经网络中的初始权值和阈值以此来提高变压器故障诊断模型的性能。其中,本文提出自适应代数交流机制和多子群机制来提高樽海鞘群算法的性能,使其进一步适应BP神经网络算法。利用465条变压器故障数据进行测试,实验结果显示本文提出的改进模型与传统BP神经网络变压器故障诊断模型相比,准确率上升了7.78%。
二、变压器常见故障及原因分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、变压器常见故障及原因分析（论文提纲范文）
（1）火电厂变压器常见故障及处理措施（论文提纲范文）
| 0 引言 |
| 1 火电厂变压器的结构组成 |
| 1.1 绕组和铁芯 |
| 1.2 分接开关 |
| 1.3 油箱和冷却装置 |
| 2 火电厂变压器常见的故障及处理措施 |
| 2.1 火电厂变压器渗漏油故障及处理措施 |
| 2.2 火电厂变压器内部故障分析和处理措施 |
| 2.3 火电厂变压器冷却系统故障及处理措施 |
| 2.4 火电厂变压器接头过热故障分析及处理措施 |
| 2.5 火电厂变压器其余故障及处理措施 |
| 3 结语 |
（2）电机与变压器常见的故障诊断与处理方法（论文提纲范文）
| 0 引言 |
| 1 电机与变压器稳定运行的意义 |
| 2 电机与变压器常见故障类型 |
| 2.1 电机常见故障 |
| 2.2 变压器常见故障 |
| 3 电机与变压器故障诊断及处理方法 |
| 3.1 变压器故障诊断方法 |
| 3.2 电机故障类型诊断 |
| 3.3 电机与变压器故障处理措施 |
| 4 结语 |
（3）基于智能算法优化的概率神经网络变压器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 故障诊断的国内外研究现状 |
| 1.2.1 传统方式的变压器故障诊断方法 |
| 1.2.2 智能方式的变压器故障诊断方法 |
| 1.3 变压器故障诊断的分析 |
| 1.4 课题研究主要内容 |
| 2 电力变压器常见故障的机理分析及诊断方法 |
| 2.1 变压器类型及常见故障分析 |
| 2.1.1 电力变压器类型 |
| 2.1.2 电力变压器故障原因分析 |
| 2.2 变压器油中气体的相关机理 |
| 2.2.1 油中溶解气体的产生源头 |
| 2.2.2 油中特征气体的产生原理 |
| 2.2.3 油中气体的溶解过程分析 |
| 2.3 变压器内部故障与特征气体的关系 |
| 2.4 基于油中溶解气体分析的故障诊断方法 |
| 2.5 本章小结 |
| 3 基于神经网络的变压器故障诊断方法 |
| 3.1 概率神经网络模型及和拓扑结构分析 |
| 3.1.1 概率神经网络的理论分析 |
| 3.1.2 网络的数学论述及故障诊断模型拓扑结构建立 |
| 3.1.3 概率神经网络的变压器故障识别 |
| 3.1.4 变压器故障诊断实例仿真 |
| 3.2 遗传算法的理论分析 |
| 3.2.1 基本思想 |
| 3.2.2 算法的实现方法 |
| 3.2.3 算法的特点 |
| 3.2.4 遗传算法优化平滑参数 |
| 3.3 基于遗传算法和概率神经网络的变压器故障诊断 |
| 3.3.1 诊断策略 |
| 3.3.2 仿真及结果分析 |
| 3.4 本章小结 |
| 4 基于粗糙集和概率神经网络的变压器故障诊断方法 |
| 4.1 粗糙集理论基础 |
| 4.1.1 粗糙集的理论 |
| 4.1.2 粗糙集的约简及规则 |
| 4.2 结合粗糙集理论与神经网络实现故障诊断 |
| 4.2.1 故障数据的选择 |
| 4.2.2 数据初始处理决策表建立 |
| 4.3 仿真及结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 附录 |
（4）基于油色谱数据的变压器故障状态预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变压器诊断方法研究现状 |
| 1.2.2 变压器故障状态预测方法研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 变压器油中溶解气体与故障类型 |
| 2.1 变压器油的组成及作用 |
| 2.2 变压器常见故障类型 |
| 2.2.1 放电性故障 |
| 2.2.2 过热性故障 |
| 2.3 变压器油中溶解气体产生的机理 |
| 2.4 IEC三比值法 |
| 2.4.1 IEC三比值法的原理 |
| 2.4.2 IEC三比值法的编码规则与故障诊断 |
| 2.5 本章小结 |
| 3 变压器故障程度诊断算法 |
| 3.1 熵权TOPSIS方法 |
| 3.1.1 数据归一化 |
| 3.1.2 熵值法确定评价指标的权重 |
| 3.1.3 TOPSIS方法 |
| 3.2 灰色关联分析 |
| 3.3 基于熵权TOPSIS方法和灰色关联度的变压器故障程度诊断 |
| 3.3.1 算法思想 |
| 3.3.2 算法步骤 |
| 3.4 变压器故障程度诊断实验 |
| 3.4.1 实验数据及参数 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 变压器故障预测算法 |
| 4.1 符号回归 |
| 4.2 基因表达式编程 |
| 4.2.1 编码 |
| 4.2.2 种群初始化 |
| 4.2.3 适应度评价 |
| 4.2.4 选择 |
| 4.2.5 交叉重组 |
| 4.2.6 变异 |
| 4.2.7 插串 |
| 4.2.8 精英策略 |
| 4.2.9 GEP算法的算法流程 |
| 4.3 基于GEP和故障程度的变压器故障预测算法 |
| 4.3.1 建模方式 |
| 4.3.2 种群多样性策略 |
| 4.3.3 模型的选择 |
| 4.4 算法步骤 |
| 4.5 基于油色谱数据的GEP预测算法性能实验 |
| 4.5.1 实验数据及参数 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 5 仿真实验 |
| 5.1 实验环境 |
| 5.2 实验数据及参数 |
| 5.3 实验结果及分析 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（5）K-means算法的一种新解法及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究概况 |
| 1.2.1 聚类分析研究现状 |
| 1.2.2 k-means算法研究现状 |
| 1.2.3 k-means算法研究难点 |
| 1.3 主要研究内容及全文结构安排 |
| 第二章 相关背景知识 |
| 2.1 聚类的定义及步骤 |
| 2.2 聚类算法评价指标 |
| 2.3 谱聚类 |
| 2.4 谱旋转 |
| 2.5 本章小结 |
| 第三章 K-means算法的一种新解法 |
| 3.1 相关算法介绍 |
| 3.1.1 经典Lloyd算法 |
| 3.1.2 奇异值分解 |
| 3.1.3 坐标下降法 |
| 3.2 基于谱聚类形式的新解法SCK-means算法 |
| 3.2.1 问题描述 |
| 3.2.2 优化求解 |
| 3.2.3 算法描述及复杂性分析 |
| 3.2.4 算法收敛性分析 |
| 3.3 仿真实验及结果分析 |
| 3.3.1 对比Lloyd算法实验结果与分析 |
| 3.3.2 SCK-means对比其他聚类对比实验 |
| 3.3.3 算法收敛性验证 |
| 3.4 本章小结 |
| 第四章 基于SCK-means的油浸式变压器故障预报 |
| 4.1 相关内容介绍 |
| 4.1.1 油浸式变压器常见故障 |
| 4.1.2 基于DGA数据的变压器故障传统方法 |
| 4.1.3 基于DGA的变压器故障预报方法 |
| 4.2 基于SCK-means的油浸式变压器故障预报 |
| 4.2.1 建立并优化变压器故障数据预测模型 |
| 4.2.2 基于SCK-means的变压器故障方法 |
| 4.2.3 基于互信息的权重确定法的变压器故障分类 |
| 4.3 变压器实验结果与分析 |
| 4.3.1 实验数据描述及标准化 |
| 4.3.2 测试集验证故障分类方法效果 |
| 4.3.3 算法结果比较分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）变压器故障检测与诊断技术研究现状（论文提纲范文）
| 1 引言 |
| 2 典型电力变压器结构 |
| 3 常见故障位及原因分析 |
| 3.1 常见故障位 |
| 3.2 变压器故障原因分析 |
| 3.2.1 磁路 |
| 3.2.2 绕组 |
| 3.3 结构件中发生的故障原因 |
| 4 变压器故障检测与诊断方法 |
| 4.1 油浸变压器的外观检查 |
| 4.2 机械类检测装置 |
| 4.2.1 瓦斯气体继电器 |
| 4.2.2 防爆装置 |
| 4.3 电气类检测装置 |
| (1)差动继电器。 |
| (2)过电流继电器。 |
| 4.4 利用仪器仪表检测 |
| 5 结语 |
（7）基于免疫粒子群优化学习向量量化的变压器故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 变压器故障诊断的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本章小结 |
| 2 变压器的故障分析 |
| 2.1 引言 |
| 2.2 变压器故障类型 |
| 2.3 变压器油中溶解的气体 |
| 2.3.1 变压器油中气体的来源 |
| 2.3.2 变压器油中特征气体与变压器故障关系 |
| 2.4 变压器故障检测方法 |
| 2.4.1 变压器故障物理检测方法 |
| 2.4.2 变压器故障化学检测方法 |
| 2.5 基于三比值法的故障诊断 |
| 2.5.1 引言 |
| 2.5.2 三比值法的理论基础 |
| 2.5.3 三比值法的编码 |
| 2.5.4 三比值法的基本步骤 |
| 2.5.5 三比值法的分析 |
| 2.6 本章小结 |
| 3 故障检测系统设计 |
| 3.1 引言 |
| 3.2 相关硬件介绍 |
| 3.2.1 控制模块 |
| 3.2.2 电源电路 |
| 3.2.3 通讯模块 |
| 3.2.4 储存模块 |
| 3.2.5 数据显示模块 |
| 3.2.6 数据采集模块 |
| 3.3 系统软件介绍 |
| 3.4 本章小结 |
| 4 实验算法研究 |
| 4.1 引言 |
| 4.2 LVQ神经网络算法 |
| 4.2.1 LVQ算法原理 |
| 4.2.2 LVQ算法步骤 |
| 4.2.3 LVQ算法变压器故障诊断 |
| 4.2.4 LVQ算法的不足 |
| 4.3 粒子群算法 |
| 4.3.1 粒子群算法介绍 |
| 4.3.2 粒子群算法原理 |
| 4.3.3 粒子群算法优缺点 |
| 4.4 免疫粒子群优化算法 |
| 4.4.1 免疫粒子群优化算法介绍 |
| 4.4.2 免疫粒子群优化算法原理 |
| 4.4.3 免疫粒子群优化算法的步骤 |
| 4.4.4 基于IMPSO的LVQ算法实现 |
| 4.5 本章小结 |
| 5 实验仿真与结果分析 |
| 5.1 引言 |
| 5.2 基于LVQ的诊断模型仿真分析 |
| 5.3 基于IMPSO-LVQ的诊断模型仿真分析 |
| 5.4 实验仿真结果对比分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（8）直流配电网优化重构及故障自愈算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 直流配电网目前研究现状 |
| 1.3 直流配电网优化重构国内外研究现状 |
| 1.4 直流配电网故障自愈国内外研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 直流配电网网架结构及常用设备类型 |
| 2.1 引言 |
| 2.2 直流配电网典型拓扑 |
| 2.3 电压源控制型换流器(VSC)常见类型 |
| 2.4 DC-DC直流变压器常用拓扑 |
| 2.5 光伏电源 |
| 2.6 负荷模型 |
| 2.7 本章小结 |
| 第3章 直流配电网潮流计算 |
| 3.1 引言 |
| 3.2 直流配电网潮流计算模型 |
| 3.2.1 采用下垂控制的电压源型换流器(VSC)潮流计算模型 |
| 3.2.2 DC-DC直流变压器潮流计算模型 |
| 3.2.3 直流配电网节点类型 |
| 3.3 直流配电网潮流计算方法 |
| 3.3.1 传统潮流计算方法 |
| 3.3.2 考虑换流器准确损耗模型计算潮流 |
| 3.4 直流配电网潮流计算过程及算例分析 |
| 3.5 本章小结 |
| 第4章 直流配电网优化重构 |
| 4.1 引言 |
| 4.2 直流配电网多目标重构数学模型构建 |
| 4.2.1 多优化目标选取 |
| 4.2.2 约束条件 |
| 4.2.3 优化目标模糊化处理 |
| 4.2.4 综合适应度 |
| 4.3 直流配电网多目标重构数学模型求解 |
| 4.3.1 二进制粒子群算法原理 |
| 4.3.2 直流配电网多目标优化求解过程 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第5章 直流配电网故障自愈 |
| 5.1 引言 |
| 5.2 直流配电网常见故障类型及其特征 |
| 5.3 直流配电网故障定位保护方法 |
| 5.4 直流配电网故障自愈算法 |
| 5.4.1 故障恢复目标函数 |
| 5.4.2 约束条件 |
| 5.4.3 基于图论的直流配电网故障自愈算法 |
| 5.5 算例分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 修改的IEEE33节点系统参数 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（9）基于LightGBM的25Hz相敏轨道电路故障诊断方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 论文工作与结构安排 |
| 2 基于传输线的25Hz相敏轨道电路监测信号建模 |
| 2.1 25Hz相敏轨道电路的原理与建模 |
| 2.1.1 25Hz相敏轨道电路的基本结构与工作原理 |
| 2.1.2 25Hz相敏轨道电路组成设备建模 |
| 2.2 信号集中监测系统 |
| 2.2.1 CSM概述 |
| 2.2.2 监测方案设计 |
| 2.3 监测信号建模与验证 |
| 2.3.1 监测信号建模 |
| 2.3.2 监测信号模型验证 |
| 2.4 本章小结 |
| 3 基于GA-LightGBM的故障诊断模型构建 |
| 3.1 基于LightGBM的故障诊断模型的构建 |
| 3.1.1 LightGBM算法原理 |
| 3.1.2 故障诊断模型的构建 |
| 3.2 基于GA的故障诊断模型优化 |
| 3.2.1 模型优化总体流程 |
| 3.2.2 种群初始化 |
| 3.2.3 适应度计算与遗传进化 |
| 3.3 本章小结 |
| 4 25Hz相敏轨道电路故障诊断方法的设计与验证 |
| 4.1 常见故障数据集的构建 |
| 4.2 故障诊断方法的设计 |
| 4.2.1 故障诊断方法流程的设计 |
| 4.2.2 监测方案的优化 |
| 4.2.3 故障诊断策略的设计 |
| 4.3 故障诊断方法验证 |
| 4.3.1 功能验证 |
| 4.3.2 性能验证 |
| 4.4 本章小结 |
| 5 25Hz相敏轨道电路故障诊断软件的设计 |
| 5.1 软件需求分析 |
| 5.2 软件功能设计 |
| 5.2.1 软件界面设计 |
| 5.2.2 在线诊断功能模块 |
| 5.2.3 离线诊断功能模块 |
| 5.2.4 模型训练功能模块 |
| 5.3 软件功能实现 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 索引 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）基于机器学习的变压器色谱峰识别和故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究的主要内容 |
| 1.2 变压器油色谱在线监测技术的发展现况 |
| 1.2.1 变压器色谱峰识别研究发展现况 |
| 1.2.2 变压器故障诊断研究发展现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 变压器油色谱在线监测技术和机器学习的基本理论 |
| 2.1 变压器油色谱在线监测技术 |
| 2.1.1 变压器色谱峰识别难点及常用方法 |
| 2.1.2 变压器油中溶解气体的产生原因和常见故障 |
| 2.2 机器学习算法 |
| 2.2.1 C4.5 决策树算法 |
| 2.2.2 BP神经网络模型 |
| 2.3 本章小结 |
| 第三章 基于C4.5 决策树的变压器色谱峰识别算法研究 |
| 3.1 色谱峰数据的来源 |
| 3.2 色谱峰特征属性的选择 |
| 3.3 基于C4.5 决策树的色谱峰识别算法构建 |
| 3.4 实验测试与结果分析 |
| 3.5 本章小节 |
| 第四章 基于自适应多子群樽海鞘群算法的BP神经网络变压器故障诊断研究 |
| 4.1 基于BP神经网络变压器故障诊断模型的结构 |
| 4.2 自适应多子群樽海鞘优化算法 |
| 4.2.1 标准樽海鞘群算法 |
| 4.2.2 改进樽海鞘群算法 |
| 4.3 基于AMSSA-BP神经网络的变压器故障诊断模型结构 |
| 4.4 实验与分析 |
| 4.4.1 自适应多子群樽海鞘群算法的性能测试 |
| 4.4.2 基于AMSSA-BP神经网络的变压器故障诊断模型的训练和测试 |
| 4.5 本章小节 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、变压器常见故障及原因分析（论文参考文献）
- [1]火电厂变压器常见故障及处理措施[J]. 王紫宏,张云. 化工管理, 2021(27)
- [2]电机与变压器常见的故障诊断与处理方法[J]. 洪剑. 新型工业化, 2021(09)
- [3]基于智能算法优化的概率神经网络变压器故障诊断研究[D]. 张智恒. 西安理工大学, 2021(01)
- [4]基于油色谱数据的变压器故障状态预测方法研究[D]. 郭兆龙. 西安理工大学, 2021(01)
- [5]K-means算法的一种新解法及应用[D]. 凤冰霞. 华东交通大学, 2021(02)
- [6]变压器故障检测与诊断技术研究现状[J]. 林景垞. 电气开关, 2021(03)
- [7]基于免疫粒子群优化学习向量量化的变压器故障诊断研究[D]. 汤超. 安徽理工大学, 2021(02)
- [8]直流配电网优化重构及故障自愈算法研究[D]. 柴睿. 太原理工大学, 2021(01)
- [9]基于LightGBM的25Hz相敏轨道电路故障诊断方法的研究[D]. 李长春. 北京交通大学, 2021(02)
- [10]基于机器学习的变压器色谱峰识别和故障诊断研究[D]. 单杰. 福建工程学院, 2021(02)